由于几乎不可能研究整个焦点群体，研究人员在收集数据和回答研究问题时使用样本。样本只是被研究人群的一个子集；它代表较大的人口，并用于对该人口进行推断。社会学家通常使用两种抽样技术：基于概率的抽样技术和不基于概率的抽样技术。他们可以使用这两种技术生成不同种类的样本。

非概率抽样技术

非概率模型是一种技术，在这种技术中，样本的收集方式不会使群体中的所有个体都有平等的被选择的机会。虽然选择非概率方法可能会导致数据有偏或基于调查结果做出一般推断的能力有限，但在许多情况下，选择这种抽样技术是针对特定研究问题或研究阶段的最佳选择。非概率模型可产生四种样本。

对现有主题的依赖

依赖现有的研究对象是一种危险的模式，需要研究人员非常谨慎。由于它需要对路人或研究人员随机接触的个人进行抽样，因此有时被称为方便样本，因为它不允许研究人员对样本的代表性进行任何控制。

虽然这种抽样方法有缺点，但如果研究人员想研究某个时间点在街角经过的人的特征，尤其是如果不可能进行这样的研究，这种方法是有用的。因此，在大型研究项目启动之前，方便样本通常用于研究的早期或试点阶段。虽然这种方法是有用的，但研究人员将无法使用方便样本的结果来概括更广泛的人群。

目的性或判断性样本

目的性或判断性样本是根据人群知识和研究目的选择的样本。例如，当旧金山大学的社会学家想研究选择终止妊娠的长期情感和心理影响时，他们创造了一个样本，专门包括堕胎的妇女。在这种情况下，研究人员使用了有目的的样本，因为被采访者符合进行研究所必需的特定目的或描述。

雪球抽样

当一个群体的成员难以找到时，如无家可归的个人、移民工人或无证件移民，雪球样本适合用于研究。雪球样本是指研究人员收集他或她能找到的目标人群中少数成员的数据，然后要求这些人提供找到该人群中其他成员所需的信息。

例如，如果一名研究人员想采访来自墨西哥的无证件移民，她可能会采访一些她知道或能找到的无证件个人。之后，她将依靠这些受试者来帮助寻找更多未登记的个人。这一过程一直持续到研究人员完成了她需要的所有访谈，或者直到所有联系人都用尽。

当研究人们可能不会公开谈论的敏感话题时，或者如果谈论正在调查的问题可能会危及他们的安全时，这种技术非常有用。朋友或熟人建议研究人员可以信任，这有助于扩大样本量。

配额样本

配额样本是指根据预先指定的特征将单位选择到样本中，以便总样本具有假定存在于所研究总体中的相同特征分布。

例如，进行全国配额抽样的研究人员可能需要知道人口中男性和女性的比例。他们可能还需要知道不同年龄、种族或阶级的男女比例。然后，研究人员将收集反映这些比例的样本。

概率抽样技术

概率模型是一种收集样本的技术，这种方法使群体中的所有个体都有平等的被选择的机会。许多人认为这是更严格的方法取样，因为它消除了社会偏见，可能会形成研究样本。但最终，你选择的抽样技术应该是最能让你回答特定研究问题的方法。有四种概率抽样技术。

简单随机抽样

简单随机抽样是统计方法和计算中假定的基本抽样方法。为了收集一个简单的随机样本，目标人群的每个单位都被分配了一个数字。然后生成一组随机数，这些数的单位包含在样本中。

一位研究1000人的研究人员可能希望随机抽取50人作为样本。首先，每个人的编号从1到1000。然后，您生成一个包含50个随机数的列表，通常使用计算机程序，分配这些数字的个体就是样本中包含的个体。

在研究人时，这项技术最好用于同质人群，或者年龄、种族、教育水平或阶级差异不大的人群。这是因为在处理更为异质的人群时，如果不考虑人口统计学差异，研究人员就有可能产生有偏见的样本。

系统样本

在系统样本中，将总体的元素放入一个列表中，然后系统地选择列表中的每n个元素以包含在样本中。

例如，如果研究人群中有2000名高中生，而研究者希望获得100名学生的样本，那么这些学生将被放入列表中，然后每20名学生将被选入样本。为了避免这种方法中可能存在的人类偏见，研究人员应随机选择第一个个体。这在技术上称为随机开始的系统样本。

分层抽样

分层抽样是一种抽样技术，研究人员将整个目标人群分成不同的亚组或阶层，然后从不同阶层中按比例随机选择最终受试者。当研究人员想要突出人群中的特定亚组时，使用这种类型的抽样。

例如，为了获得大学生的分层样本，研究人员首先按大学班级组织人群，然后选择适当数量的大一、大二、大三和大四学生。这将确保研究人员在最终样本中有足够数量的每门课的受试者。

聚类样本

当编制一份构成目标人群的元素的详尽清单是不可能的或不切实际的时，可以使用整群抽样。然而，通常情况下，人口要素已经分组为子人口，并且这些子人口的列表已经存在或可以创建。

也许一项研究的目标人群是美国的教会成员。没有全国所有教会成员的名单。然而，研究人员可以创建一份美国教会的名单，选择一个教会样本，然后从这些教会获得成员名单。

更新：Nicki Lisa Cole博士。